Nov, 2023

电子显微技术中无监督分割的辐射诱导有序 - 无序相变

PDF
TL;DR使用无监督分割方法对电子显微镜图像进行分割，以跟踪用于催化和电子领域的薄膜中辐照引起的非晶前沿，为自动化电子显微镜提供指导。
unsupervised segmentationelectron microscopychemical systemslouvain methodautomated electron microscopes
发现论文，激发创造
  • 一种上下文感知的电子显微镜分割延迟凝聚框架

    该论文提出了一种新颖的聚合框架用于电子显微镜图像（或体积）分割，即给定一个过分割的图像或体积，我们提出了一个新的框架来准确地聚类相同神经元的区域，并且在 2D，3D 数据集上，与现有标准方法相比，该方法在分割准确度上取得了显着的改进。

    Jun, 2014

  • 基于无监督集成学习的湍流计算流体力学模拟分割

    本文介绍了一种使用集成机器学习框架实现的无监督聚类算法将复杂计算机模拟中的涡流模式数据分类并划分为不同结构分类目录，提高了数据划分的准确性和鲁棒性，并给出了更精确和可靠的感兴趣区域范围确定方法。

    Sep, 2021

  • 无监督高吞吐量定量位相图像中细胞和细胞核的分割

    建议使用无人值守的多阶段分割方法进行细胞核的自动、快速、无监督分割，并利用该方法的定量相位信息来介绍新的细胞质和细胞核特征，以提高细胞学诊断的可行性和可解释性。

    Nov, 2023

  • 电子显微镜分割算法的理想属性

    本研究提出一种新型的 EM 分割分类器训练算法，旨在降低对标注和错误修正任务的手动劳动需求，实验表明该方法较现有方法更适于神经重建。

    Mar, 2015

  • 一种针对高聚集度单晶硅表面纳米颗粒 SEM 图像的叠加分治图像识别方法

    本文提出了一种叠加分割图像识别方法，可实现硅晶体纳米粒子 SEM 图像的自动识别和信息统计，该方法基于形态处理算法实现有效的粒径识别和轮廓统计，并在不同的 SEM 拍摄条件下优于其他方法

    Jun, 2022

  • 借助扩散模型的光谱引导下对无序材料的三维结构发现

    通过扩散模型，我们提出了一个基于生成式机器学习的新框架，用于从目标性质预测无序材料的三维结构。我们应用该模型来识别非晶碳的原子结构，通过 XANES 光谱引导条件生成，并展示了其生成大规模结构的能力。这一工作极大地弥合了材料表征和原子结构确定之间的差距，并可用于探索各种材料性质的材料发现。

    Dec, 2023

  • 基于结构化损失的深度学习进行大尺度图像分割，用于连接图重建

    文章提出了一种结合亲和预测和区域聚合的方法，通过 3D U-NET 训练预测像素之间的亲和性，从而显著提高电子显微镜（EM）中的神经元分割准确性和可扩展性，通过实验表明，该方法在三个不同 EM 数据集上的表现相对于之前的结果提高了 27％，15％和 250％。

    Sep, 2017

  • TEM 图像中位错的实例分割

    本文研究了在原位应力变形实验中利用定量透射电子显微镜（TEM）揭示金属晶格中线性缺陷 —— 位错的运动。通过定量比较现有的实例分割方法，并将位错分割结果转换为数学线条以进行定量分析，我们提出了一种基于长度的新颖质量度量指标，用于估计网络性能。我们的分割方法准确性高且适用于领域特定的后处理，此外，我们提出的物理度量方式在性能上表现更加稳定可靠。

    Sep, 2023

  • 基于人类感知的谷物分割细化使用条件随机场

    本文介绍了一种基于条件随机场和感知组织规则的快速、高保真度的后处理技术，针对多晶材料显微结构中的颗粒边界等互联线网络的准确分割提出了一种解决方案，改善了分割蒙版的准确性，并引入了一种新的颗粒对齐度量标准，提供了更详细的复杂微结构分割性能评估，从而使得数据分析的统计表征更准确，适用于需要精确分割互联线网络的多个学科领域。

    Dec, 2023

  • 深度异常检测实现非监督式相位发现

    本研究使用自动化和无监督的机器学习探索相图，以确定可能出现新相的感兴趣区域。作为范例，我们使用深度神经网络在扩展 Bose-Hubbard 1D 模型中完全无监督和自动化的确定整个相图，发现超固体和超流体部之间的相分离区域具有意想不到的性质，并揭示了超过标准的超流体，Mott 绝缘体，Haldane 绝缘体和密度波相。

    Mar, 2020